K-UNN:基于无训练神经网络的k空间插值
计算机视觉与模式识别
2022-08-12 v1
摘要
近来,无训练神经网络(UNN)在随机采样轨迹下的MR图像重建中表现出令人满意的性能,且无需使用额外的全采样训练数据。然而,现有基于UNN的方法未充分利用MR图像物理先验,导致在一些常见场景(如部分傅里叶、规则采样等)中性能不佳,且缺乏重建精度的理论保证。为弥补这一不足,我们提出一种用于MRI的安全k空间插值方法,采用由MR图像(或k空间数据)三个物理先验——稀疏性、线圈灵敏度平滑性与相位平滑性——驱动的三重架构专用UNN。我们还证明了所提方法对插值k空间数据精度具有紧界保证。最后,消融实验表明,相比现有传统方法,所提方法能更准确地刻画MR图像的物理先验。此外,在一系列常用采样轨迹下,实验还表明所提方法一致优于传统并行成像方法与现有UNN,且在某些情况下甚至优于最先进的监督训练k空间深度学习方法。
引用
@article{arxiv.2208.05827,
title = {K-UNN: k-Space Interpolation With Untrained Neural Network},
author = {Zhuo-Xu Cui and Sen Jia and Qingyong Zhu and Congcong Liu and Zhilang Qiu and Yuanyuan Liu and Jing Cheng and Haifeng Wang and Yanjie Zhu and Dong Liang},
journal= {arXiv preprint arXiv:2208.05827},
year = {2022}
}